基于多種機器學習的海南熱帶作物產量預測

摘" 要：熱帶作物產量對氣候條件高度敏感，精準建模氣象驅動機制對于提升熱帶農業生產效率及氣候適應能力具有重要意義。本研究以海南省天然橡膠、芒果、菠蘿和香蕉為研究對象，系統比較包括LGBM、隨機森林（RF）、極端梯度提升（XGBoost）、自適應增強（AdaBoost）、支持向量機（SVM）與多元線性回歸（MLR）6種機器學習模型預測性能，并基于SHAP方法量化氣象因子的貢獻度與非線性響應特征。結果表明：（1）LGBM模型展現出最優的預測性能，測試集平均決定系數（R2）達0.945（橡膠、芒果、菠蘿、香蕉的R2分別為0.942、0.902、0.954、0.983），平均均方根誤差（RMSE）和平均絕對誤差（MAE）分別為1.436、1.150 t/hm2，顯著優于其他模型（RF、XGBoost、AdaBoost、SVM、MLR的R2分別為0.773、0.563、0.589、0.368、0.508）。（2）氣象驅動機制呈顯著作物差異性。橡膠產量主要受太陽輻射（貢獻度為14.7%）和氣溫因子（月最低溫和月最高溫貢獻度分別為14.4%、11.7%）驅動；芒果對月最高氣溫（貢獻度為19.0%）和蒸汽壓虧缺（貢獻度為18.5%）高度敏感；菠蘿與香蕉則分別受土壤濕度（貢獻度為18.9%）和相對濕度（貢獻度為23.6%）主導。基于此，提出了作物類型差異化的農藝管理建議。研究表明機器學習結合可解釋性方法能有效解析熱帶作物氣候響應機制，為區域農業精準管理提供理論支撐。

關鍵詞：熱帶作物；產量預測；機器學習；氣象因子；海南中圖分類號：S162.5；S127" " " 文獻標志碼：A

Yield Prediction of Tropical Crops in Hainan Using Multiple Machine Learning Models

MA Yiwen1，2， YU Xuan1，2*， LI Zhenyu1，2，3， LI Hailiang1，2

1. Institute of Scientific and Technical Information， Chinese Academy of Tropical Agricultural Sciences / Key Laboratory of Applied Research on Tropical Crop Information Technology of Hainan Province， Haikou， Hainan 571101， China; 2. Hainan Tang Huajun Academician Workstation， Haikou， Hainan 571101， China; 3. Hainan Land Science Society， Haikou， Hainan 571132， China

Abstract： The yield of tropical crops is highly sensitive to climate conditions， and accurately modeling the meteorological-driven mechanisms is crucial for improving tropical agricultural productivity and climate adaptability. This study systematically compared the prediction performance of six machine learning models， including LGBM， RF， XGBoost， AdaBoost， SVM and MLR based on natural rubber， mango， pineapple and banana in Hainan. The SHAP method was used to quantify the contribution and non-linear response characteristics of meteorological factors. The LGBM model demonstrated the best prediction performance， with an average R2 of 0.945 for the test set （the R2 of rubber， mango， pineapple and banana were 0.942， 0.902， 0.954 and 0.983， respectively）， and average RMSE and MAE of 1.436 t/hm2 and 1.150 t/hm2， significantly outperforming the other models （the R2 of RF， XGBoost， AdaBoost， SVM， MLR were 0.773， 0.563， 0.589， 0.368 and 0.508， respectively）. The meteorological-driven mechanisms exhibited significant crop-specific differences. Rubber yield was mainly driven by solar radiation （the contribution was 14.7%） and temperature factors （the contribution of monthly minimum temperature and monthly maximum temperature were 14.4% and 11.7%， respectively）. Mango yield was highly sensitive to monthly maximum temperature （the contribution was 19.0%） and vapor pressure deficit （the contribution was 18.5%）. Pineapple and banana yield were dominated by soil moisture （the contribution was 18.9%） and relative humidity （the contribution was 23.6%）， respectively. Based on the findings， differentiated agronomic management recommendations for each crop type were proposed. This study demonstrates that machine learning， combined with explainability methods， can effectively elucidate the climate response mechanisms of tropical crops， providing theoretical support for regional agricultural precision management.

Keywords： tropical crops; yield prediction; machine learning; meteorological factors; Hainan

DOI： 10.3969/j.issn.1000-2561.2025.09.024

熱帶農業是熱區國家的支柱產業，在保障全球糧食安全和重要農產品供給方面舉足輕重[1]。海南省作為中國唯一的熱帶島嶼省份，光熱資源豐富，是天然橡膠、芒果、菠蘿和香蕉等熱帶經濟作物的重要產區。然而，受氣候變化和極端天氣事件（如干旱、高溫和暴雨等）的影響，這些作物的產量波動加劇，精準的產量預測和氣候響應機制分析成為熱帶農業可持續發展的關鍵科學問題[2-3]。

作物產量受溫度、降水、輻射、濕度、水汽壓虧缺等多種氣象因子共同驅動，這些因子之間存在顯著的非線性關系和復雜的交互效應[4]。此外，種質遺傳特性[5]、栽培措施[6]以及病蟲害[7]等非氣象因素也對產量產生重要影響。鑒于數據可獲取性與研究目標的側重，本研究聚焦于氣候變化背景下的氣象驅動因素，旨在探討氣象因素在區域尺度上對熱帶作物產量的主導作用，以量化氣候變異對農業生產潛力的影響。傳統的統計建模方法（如多元線性回歸）在面對多變量、高維輸入及非線性響應時易出現欠擬合，難以滿足實際預測需求[8]。近年來，隨機森林（RF）、支持向量機（SVM）、極端梯度提升（XGBoost）等機器學習方法在作物產量預測中逐漸得到應用，研究表明這些方法在不同作物與地區中取得了一定的精度提升[9-10]。例如，HASEED等[11]利用RF模型預測冬小麥產量，決定系數（R2）可達0.75以上；LI等[12]使用XGBoost對作物遙感數據建模，取得優于傳統方法的表現。但這類方法在面對高維氣象變量和小樣本數據時仍面臨泛化能力不足、計算效率低和模型可解釋性弱等問題。相比之下，Light Gradient Boosting Machine（LGBM）作為新一代的梯度提升決策樹算法，具備高效的特征分箱、leaf-wise建樹策略與并行學習能力，在大規模特征和小樣本條件下依然表現出良好的穩定性與精度[13]。LGBM已在電力負荷預測、金融風控等領域得到廣泛應用，近期也開始被引入農業遙感與氣象建模場景中[14-15]，但在熱帶地區，尤其是典型熱帶作物上的系統應用仍相對有限。

另一方面，在揭示氣象因子與作物產量關系的研究中，主要采用統計模型、機理過程模型或機器學習方法。統計模型以構建輸入輸出變量之間的數學關系為核心，側重描述性分析，通常不涉及作物生理機制；機理模型則基于物理與生理過程模擬作物生長，理論清晰、可解釋性強，但對模型結構與參數依賴性高，難以適應復雜環境與多源數據[16]。相比之下，機器學習方法具備數據驅動、自適應建模能力，能夠處理高維輸入并自動挖掘非線性特征與交互關系[17]，更適用于區域尺度、多作物和多因子背景下的產量建模應用。然而，傳統機器學習模型普遍存在“黑箱”問題，難以清晰解釋各變量對預測結果的作用機制。為提升模型的可解釋性，近年來可解釋性人工智能技術（XAI）得到一定發展。其中，如SHAP（SHapley Additive exPlanations）近年來在農業建模中展現出巨大潛力，能夠有效量化各輸入變量對模型輸出的邊際貢獻，并揭示氣象因子的非線性和交互影響[18]。例如，吳立峰等[19]和魏永康等[20]提出SHAP可用于高維輸入模型的全局和局部解釋，已被廣泛應用于氣象預測、病蟲害診斷和遙感解譯等領域。

綜上，本研究以海南省天然橡膠、芒果、菠蘿和香蕉為研究對象，構建包括LGBM、隨機森林（RF）、極端梯度提升（XGBoost）、自適應增強（AdaBoost）、支持向量機（SVM）與多元線性回歸（MLR）在內的多種機器學習模型進行產量預測，并引入SHAP方法識別關鍵氣象驅動因子與非線性響應機制。研究目標包括：（1）系統比較多種模型在熱帶作物產量建模中的性能，驗證LGBM的適用性與優勢；（2）基于SHAP揭示作物對氣象因子的敏感性差異；（3）結合響應閾值特征，提出適用于不同作物的農藝管理建議。研究結果有望為熱帶地區農業氣象服務與精細化管理提供理論支持與方法參考。

1" 材料與方法

1.1" 研究區域與數據來源

本研究選取海南島作為研究區域，涵蓋海口市、三亞市、五指山市、文昌市、瓊海市、萬寧市、定安縣、屯昌縣、澄邁縣、臨高縣、儋州市、東方市、樂東黎族自治縣、瓊中黎族自治縣、保亭黎族自治縣、陵水黎族自治縣、白沙黎族自治縣和昌江黎族自治縣共18個市（縣）（18°10′～ 20°10′N， 108°37′～111°03′E）。海南島是我國重要的熱帶農業生產區，具有典型的熱帶季風海洋性氣候，光、熱、水資源條件優越，為熱帶特色農業發展提供良好的自然基礎，是天然橡膠及熱帶水果的主要生產基地。

各市（縣）的橡膠、芒果、菠蘿和香蕉的產量數據來自《中國農村統計年鑒》《海南省統計年鑒》及各市（縣）歷年統計年鑒、統計公報和政府公開數據。部分缺失數據通過線性插值法進行補充。

氣象數據來源于國家氣象科學數據中心（http：// data.cma.cn），涵蓋2000—2020年的月度數據，包含以下氣象因子：平均氣溫、最高氣溫、最低氣溫、平均相對濕度、總太陽輻射功率和降水量。此外，蒸汽壓虧缺（VPD）[21]、潛在蒸散量（PET）[22]以及根區（0～100 cm）土壤濕度數據[23]來源于青藏高原國家數據中心（http：//data.tpdc.ac.cn）。

1.2" 數據預處理

1.2.1" 產量數據預處理" 為了消除區域性差異并更好地分析氣象因素對作物產量的影響，本研究對橡膠、芒果、菠蘿和香蕉的單產數據進行去趨勢化處理。作物的產量通常受到自然因素（如氣象條件）和社會經濟因素（如技術進步、管理水平等）的綜合影響。為了分離出氣象因素對產量的影響，通常將作物的視在產量（Y）分解為趨勢產量（?）、氣象產量（）和隨機噪聲（e），公式如下：

式中，Y為作物的視在產量（t/hm2），為趨勢產量（t/hm2），反映由技術進步、管理水平等社會經濟因素決定的長期趨勢；為氣象產量（t/hm2），反映由氣象因素引起的產量波動；e為隨機噪聲，表示無法解釋的隨機波動。

為了分離出氣象產量（），本研究采用滑動平均法對作物單產進行去趨勢化處理。具體步驟如下：

（1）采用滑動平均法計算趨勢產量（）。滑動平均法通過計算連續4年（n=4）的產量平均值來平滑數據，從而消除短期波動，提取出長期趨勢。公式如下：

式中，為第t年的趨勢產量，為第t年的視在產量。

（2）計算氣象產量（）。在獲得趨勢產量（）后，氣象產量（）通過從視在產量（Y）中減去趨勢產量得到，公式如下：

式中，為第t年的氣象產量。

（3）隨機噪聲（e）。隨機噪聲部分為視在產量與趨勢產量（Y）、氣象產量（）之間的殘差，通常被認為是無法解釋的隨機波動。

1.2.2" 氣象數據預處理" 為系統評估氣象因子對4種熱帶作物產量的影響，本研究選取2000—2020年10類關鍵氣象因子的月度數據，包括：平均氣溫（Tmean）、最高氣溫（Tmax）、最低氣溫（Tmin）、平均相對濕度（RH）、總太陽輻射功率（SRAD）、太陽輻射（SOL）、降水量（PREC）、蒸汽壓虧缺（VPD）、潛在蒸散量（PET）及根區（0～100 cm）土壤濕度（SM）數據。這些因子能全面表征作物生長的熱量條件（溫度）、水分條件[PREC、RH、SM、VPD、PET]、能量輸入（輻射）和土壤水分狀況。

由于產量數據為市（縣）行政單元的統計值，而氣象數據為空間連續的柵格數據（分辨率為0.1°×0.1°），需進行以下預處理：

（1）空間分辨率統一化。首先將所有氣象數據通過雙線性插值法統一重采樣至1 km×1 km的空間分辨率，以更好地適應海南島區域精度需求，并保證與其他高分辨率數據的一致性。這一步驟消除了原始數據可能存在的分辨率差異，為后續空間聚合提供統一的基礎。

（2）空間聚合。基于海南省18個市（縣）的行政區劃矢量邊界，利用ArcGIS 10.8的Zonal Statistics工具提取各市（縣）行政區內所有柵格點的氣象數據，計算各氣象因子的月度區域平均值。

（3）時間匹配。以每個市（縣）每年為單位構建樣本，使用該市（縣）當年1—12月的逐月氣象變量作為輸入特征，與當年作物的年氣象產量數據進行對應，從而實現月尺度氣象數據與年尺度產量數據的時間匹配。

1.2.3" 數據標準化" 本研究涉及的氣象因子包含多種量綱（如溫度單位為℃、降水量單位為mm等），且各市（縣）的作物產量存在區域差異，這些因素可能對模型構建產生干擾。為消除量綱差異和區域產量差異的影響，本研究對氣象數據和產量數據均進行歸一化處理。

常用的歸一化方法主要包括線性函數歸一化（min-max scaling）和零均值歸一化（Z-score標準化）。考慮到本研究中的氣象產量數據存在負值（反映氣象條件導致的減產效應），采用線性函數歸一化方法將數據映射至[–1，1]區間，具體轉換公式如下：

1.3" 預測模型構建與驗證方法

本研究構建基于6種機器學習算法的海南典型熱帶作物（天然橡膠、芒果、菠蘿和香蕉）產量預測模型，涵蓋多元線性回歸（MLR）、支持向量機（SVM）、隨機森林（RF）、XGBoost、AdaBoost 和LightGBM（LGBM）。這些算法包括從線性回歸到非線性集成學習方法，旨在全面評估不同建模技術在熱帶作物產量預測中的表現。

1.3.1" 多元線性回歸（multiple linear regression， MLR）" MLR模型通過建立氣象因子與作物產量之間的線性關系進行預測。采用最小二乘法進行參數估計，并通過方差膨脹因子（VIFgt;10）檢驗消除多重共線性影響。模型訓練過程中采用逐步回歸法進行特征選擇，保留顯著性水平Plt;0.05的預測變量。為評估模型擬合優度，計算調整后R2和F統計量。

1.3.2" 隨機森林（random forest， RF）" RF模型通過構建決策樹集成實現非線性預測。關鍵參數經網格搜索優化確定：決策樹數量（ntree）為500，最大樹深度（max_depth）為15，節點最小樣本數（nodesize）為5。采用袋外誤差（OOB error）評估模型性能，并通過基尼重要性指數（Gini importance）量化各氣象因子的貢獻度。

1.3.3" 支持向量回歸（support vector regression， SVR）" SVR模型采用徑向基核函數（RBF）處理非線性關系。通過貝葉斯優化確定最優超參數：懲罰系數（C）∈[1，100]，核寬度（γ）∈[0.01，1]，不敏感帶寬度（ε）∈[0.01，0.2]。

1.3.4" 極端梯度提升（eXtreme Gradient Boosting， XGBoost）" XGBoost模型采用正則化提升框架，主要參數設置：學習率（η）為0.1，最大樹深度（max_depth）為6，子采樣比例（subsample）為0.8。引入L1（α=1.0）和L2（λ=1.0）正則化項防止過擬合，早停機制（early_stopping_rounds為10）控制迭代次數（n_estimators為1000）。

1.3.5" 自適應提升（adaptive boosting， AdaBoost）" AdaBoost模型基于決策樹弱學習器迭代訓練。參數優化采用交叉驗證：弱學習器數量（n_estimators）為200，學習率（learning_rate）為0.05，基模型最大深度（max_depth）為3。

1.3.6" 輕量級梯度提升（light gradient boosting machine， LightGBM）" LightGBM模型采用直方圖算法優化。關鍵參數配置：葉子數（num_leaves）為31，特征采樣率（feature_fraction）為0.9，最小數據量（min_data_in_leaf）為20。采用十折交叉驗證確定最優迭代次數（max_bin為255，n_ estimators為500）。

為確保研究結果的可靠性和可重復性，所有模型均采用分層抽樣（stratified sampling）劃分訓練集（80%）和測試集（20%），采用五折交叉驗證確保結果穩定性。模型性能通過決定系數（R2）、均方根誤差（RMSE）和平均絕對誤差（MAE）進行綜合評價。為驗證模型魯棒性，額外進行敏感性分析和Shapley值解釋。所有統計分析均使用R 4.4.1軟件完成，基于caret、randomForest、xgboost和lightgbm等經過廣泛驗證的軟件包實現關鍵算法。

1.4" 機器學習解釋方法

為提高機器學習模型在農業應用中的實用性，本研究采用SHAP（Shapley Additive Explanations）方法對“黑箱”模型進行解釋性分析。基于博弈論原理，SHAP值量化了各氣象因子對產量預測的貢獻，具有全局特征重要性和局部預測解釋能力。具體而言，SHAP通過計算每個氣象因子的Shapley值，評估其在產量預測中的貢獻度。在實現過程中，使用R 4.4.1編程環境中的fastshap包計算樣本的SHAP值，并通過特征重要性圖、依賴圖和個體解釋圖進行多維度可視化分析。為了更好地理解每種作物的氣象響應，重點分析各作物氣象因子的非線性響應特征。該方法不僅驗證模型的農學合理性，還將預測結果轉化為可操作的栽培建議，有效銜接了模型預測與實際生產實踐，為熱帶作物精準管理提供科學依據。

2" 結果與分析

2.1" 基于SHAP方法的熱帶作物氣候驅動因子分析

2.1.1" 全局特征重要性排序" 利用SHAP方法定量分析不同氣象因子對海南省4種典型熱帶作物

產量的貢獻程度（圖1），結果表明，不同作物的氣候響應模式具有顯著差異，該差異與其生態適應性及生長特性密切相關。

（1）天然橡膠。天然橡膠的產量對氣候因子的響應呈現明顯的光熱主導特征（圖1A）。具體而言，總太陽輻射功率（貢獻度為14.7%）與氣溫因子（月最低溫和月最高溫的貢獻度分別為14.4%、11.7%）共同解釋了約40.8%的氣候影響，這凸顯出溫度與輻射條件對橡膠樹產膠性能的重要性。此外，土壤濕度（貢獻度為11.5%）也顯著影響橡膠產量，這與橡膠樹根系發達且深層取水能力強的特性相符。降水量（貢獻度為7.1%）的貢獻較低，可能反映出橡膠樹對短期降水波動具備較好的適應性。因此，光熱資源特別是溫度與輻射條件的優化對天然橡膠生產具有重要意義[24]。

（2）芒果。芒果產量主要受到高溫與大氣干旱條件的制約（圖1B）。研究結果顯示，月最高氣溫（貢獻度為19.0%）和蒸汽壓虧缺（貢獻度為18.5%）解釋了37.5%的氣候效應，這表明高溫（尤其超過35 ℃）及果實膨大期的水分脅迫對芒果產量形成顯著負面影響。此外，潛在蒸散量（PET，貢獻度為12.9%）和降水量（貢獻度為9.0%）也有一定貢獻，體現出芒果生產對水分條件的適中需求。相較其他作物，芒果對極端溫度與干旱的響應敏感度更高[25]，各氣象因子的SHAP值跨度較大（0.087～0.347），進一步凸顯其氣候敏感特性。

（3）菠蘿。菠蘿產量的形成顯著依賴于土壤和大氣水分條件（圖1C）。其中，土壤濕度（貢獻度位18.9%）和降水量（貢獻度為15.5%）共同解釋了34.4%的氣候影響，與菠蘿淺根系結構及對土壤水分的敏感性密切相關。此外，月最低氣溫（貢獻度為13.8%）和蒸汽壓虧缺（貢獻度為11.3%）也對菠蘿產量具有重要影響，說明菠蘿對夜間低溫及大氣濕度變化較為敏感。與其他熱帶作物相比，菠蘿對總太陽輻射功率（貢獻度為3.8%）的依賴程度較低，這可能與其較高的光能利用效率有關。總體來看，菠蘿表現出典型的旱生植物特征，即對土壤水分和降水量波動極為敏感[26]。

（4）香蕉。香蕉產量主要受空氣濕度及土壤水分條件的顯著影響（圖1D）。結果表明，相對濕度（貢獻度為23.6%）和土壤濕度（貢獻度為19.8%）合計貢獻達到43.4%，反映出香蕉葉片大、蒸騰需求高的生態特性。相比之下，蒸汽壓虧缺（貢獻度為13.4%）與月最高氣溫（貢獻度為10.0%）的貢獻相對較小，表明香蕉對短期干旱和高溫具有一定的耐受性。總太陽輻射功率（貢獻度為4.6%）的影響較為有限，進一步印證了香蕉對光能利用效率較高的生態適應性。香蕉的氣候響應特征充分體現其作為熱帶大型葉片植物對濕潤環境和水分供應的高度敏感性[27]。

綜上，不同熱帶作物對氣象因子的響應呈現明顯的差異化模式。木本作物（天然橡膠和芒果）對溫度與輻射等光熱條件更為敏感，而草本作物（菠蘿和香蕉）則更易受到土壤與大氣水分條件的制約。

2.1.2" 關鍵氣象因子的非線性效應" 圖2～圖5揭示了海南省4種典型熱帶作物產量對排名前六位關鍵氣象因子的非線性閾值響應特征，結果表明不同作物的最適生長條件及氣象脅迫閾值存在顯著差異。

（1）天然橡膠。天然橡膠產量對關鍵氣象因子的非線性閾值響應特征見圖2。SRAD表現為明顯的雙峰正向效應，在SRAD低于100 W/m2和超過200 W/m2時，隨輻射功率增強產量逐漸增加，而在SRAD為100～200 W/m2區間時產量則呈現輕微負效應；當輻射功率超過250 W/m2后，正效應趨于飽和，表明橡膠樹光能利用具有一定上限（圖2A）。溫度因子的響應模式存在顯著差異。Tmin呈倒“Ｕ”型曲線，24 ℃以下的低溫范圍內對產量有明顯促進作用，高于24 ℃則表現為負效應（圖2B）。Tmax呈“Ｕ”型曲線，氣溫低于30 ℃對產量有抑制作用，超過30 ℃后則對產量具有促進效應（圖2C）。SM表現為顯著的雙閾值效應，當SM超過35 mL/m3時產量隨水分增加顯著提高，而在25～35 mL/m3區間則出現輕微抑制作用（圖2D）。此外，VPD和潛在蒸散量（PET）超過一定閾值（VPDgt;7.5 hPa或PETlt;87.5 mm）后，均對橡膠產量產生負向影響，體現了大氣干旱條件對產量的制約作用（圖2E，圖2F）。

（2）芒果。芒果產量對關鍵氣象因子的非線性閾值響應特征見圖3。Tmax在高于30 ℃時產量表現為正向促進效應，可能與芒果對較高溫度環境的適應性及高溫對果實成熟的促進作用有關；而在低于30 ℃時則產生一定的抑制作用，體現了芒果對較低溫度條件的敏感性（圖3A）。VPD在5～9 hPa區間內產量表現為正向促進作用，表明適度的大氣干燥條件有利于芒果果實的正常發育和品質提高（圖3B）。PET表現出明顯的2個階段響應特征，PET低于125 mm時對產量的負面影響不顯著，而超過125 mm后產量迅速下降，說明過高的蒸散條件可能導致植株水分虧缺，進而抑制產量的形成（圖3C）。此外，降水量、土壤濕度和太陽輻射的閾值效應不明顯（圖3D～圖3F）。

（3）菠蘿。菠蘿產量對關鍵氣象因子的非線性閾值響應特征見圖4。SM高于32 mL/m3時對產量具有顯著的促進作用，而低于該閾值則干旱脅迫效應明顯增強，表明水分充足是菠蘿高產的重要保障（圖4A）。PREC在低于110 mm時有利于產量增加，而降水量超過110 mm則對產量產生抑制作用，可能與漬水風險或土壤養分流失有關（圖4B）。Tmin高于19 ℃時為正向效應，其中23 ℃左右為最適區間，低于19 ℃時產量響應轉為負向，反映出菠蘿對夜間低溫條件較為敏感（圖4C）。VPD在6.5～12.5 hPa區間內表現為正向促進作用，表明適度的大氣干燥有利于菠蘿的生長與品質提升（圖4D）。SOL在32～57 MJ/m2區間內表現為正向促進作用，但當輻射強度低于32 MJ/m2或高于57 MJ/m2時，產量明顯下降，表明光照過弱或過強均可能影響光合作用效率，尤其是強光可能誘發光抑制現象（圖4E）。RH的最適范圍為81%～88%，當RH低于81%或超過88%時，產量均呈下降趨勢，說明菠蘿對濕潤但不極端的空氣濕度條件有較高依賴（圖4F）。

（4）香蕉。香蕉產量對關鍵氣象因子存在明顯的非線性閾值響應特征（圖5）。RH在低于79%時表現為正向促進效應，超過79%后則轉為負向影響，說明過度濕潤可能抑制香蕉正常生長（圖5A）。SM在高于37 mL/m3時對產量具有顯著的正向作用，而低于該閾值則表現出明顯的抑制效應，反映出香蕉對土壤水分供給的高度依賴（圖5B）。VPD以5 hPa為臨界閾值，超過該值后產量隨VPD升高而上升，隨后趨于平穩，表明適度的大氣干燥可能有助于提升蒸騰效率和光合產出（圖5C）。Tmax高于22.8 ℃時有利于香蕉產量的增加，顯示出香蕉對溫暖環境的良好適應性（圖5D）。PREC在超過91 mm后香蕉產量顯著下降，可能與土壤過濕導致的根系缺氧或病害風險增加有關（圖5E）。SOL在低于51 MJ/m2時表現為正向促進作用，超過該閾值后抑制作用增強，表明強光條件可能誘發光抑制效應，影響香蕉的光合效率（圖5F）。

2.1.3" 氣象因子特征變量篩選" 為提高模型效率并避免冗余信息干擾，本研究采用多階段特征篩選策略對模型輸入變量進行優化處理，具體包括以下3個步驟：（1）相關性篩選。計算逐月氣象因子與作物氣象產量之間的Pearson相關系數（r），剔除絕對相關系數低于0.3的變量（|r|lt;0.3），初步去除弱相關特征。（2）共線性診斷。采用方差膨脹因子（VIF）分析變量間的多重共線性，剔除VIFgt;10的特征，以提升模型穩定性并減少冗余干擾。（3）特征重要性排序。在相關性和共線性處理基礎上，進一步利用隨機森林算法評估剩余變量的重要性，并選取累計貢獻率達到85%以上的特征子集作為最終輸入變量。該篩選策略兼顧了相關性、冗余性和模型驅動下的變量選擇原則，既保留了氣象因子的主要信息，又有效降低了輸入維度，提升了模型的泛化性能。不同作物對應的篩選結果見表1。

2.2" 熱帶作物產量建模與模型評估

2.2.1" 橡膠產量預測模型" 如圖6所示，橡膠產

量預測模型的性能排序為：LGBMgt;RFgt;MLRgt; XGBoostgt;AdaBoostgt;SVM（測試集R2：0.942gt; 0.841gt;0.431gt;0.379gt;0.368gt;0.252）。其中，LGBM模型表現最優，其測試集RMSE為0.079 t/hm2，相較RF模型（0.078 t/hm2）雖略高0.001，但LGBM模型的R2更高，說明其預測擬合更為精準；與線性模型（MLR）相比，LGBM模型的R2提高118.6%，RMSE降低41.5%。XGBoost模型的訓練集R2達到0.881，但在測試集R2僅為0.379，表明其在小樣本數據的泛化能力不足。RF模型訓練/測試R2差值為0.099，表現穩定，但與LGBM相比仍存在明顯的性能差距。

2.2.2" 芒果產量預測模型" 如圖7所示，芒果產量預測模型性能排序為：LGBMgt;RFgt;AdaBoostgt; XGBoostgt;MLRgt;SVM（測試集R2：0.902gt;0.538gt; 0.525gt;0.437gt;0.378gt;0.145）。LGBM測試集R2為0.902，表現最佳，RMSE為1.075 t/hm2，顯著優于RF（RMSE為1.701 t/hm2），誤差降低36.8%。雖然RF在訓練集上的R2高達0.940，但其在測試集上的精度下降達53%，顯示其對數據噪聲較為敏感。XGBoost與AdaBoost模型性能相近，但均明顯低于LGBM，提示Boosting方法在此類預測任務中存在調參與結構優化的瓶頸。

2.2.3" 菠蘿產量預測模型" 如圖8所示，菠蘿產量預測模型的性能排序為：LGBMgt;RFgt;Ada-Boostgt;XGBoostgt;MLRgt;SVM（測試集R2：0.954gt; 0.870gt;0.704gt;0.643gt;0.495gt;0.481）。LGBM的測試集R2達到0.954，表現最優，MAE為2.206 t/hm2，較RF（2.722 t/hm2）降低18.9%。RF模型在訓練集與測試集間性能差異最小（R2差值為0.076），表現穩定。XGBoost與AdaBoost模型在訓練集表現尚可，但在測試集均出現性能下降，顯示其在應對菠蘿數據分布變異時適應性較差。SVM模型的測試集R2僅為0.481，RMSE高達7.130 t/hm2，預測效果最差。

2.2.4" 香蕉產量預測模型" 如圖9所示，香蕉產量預測模型性能排序為：LGBMgt;RFgt;XGBoostgt; AdaBoostgt;MLRgt;SVM（測試集R2：0.983gt;0.844gt; 0.792gt;0.757gt;0.727gt;0.592）。LGBM測試集R2為0.983，顯著優于其他模型，其RMSE僅為1.703 t/hm2，為RF模型（2.249 t/hm2）的75.7%。同時，LGBM訓練集與測試集的R2差值僅為0.007，泛化能力極強。RF表現也較穩定，但仍與LGBM存在顯著差距。XGBoost和AdaBoost模型雖優于MLR，但測試精度仍不及RF。SVM表現最弱，測試集RMSE為6.387 t/hm2，誤差顯著偏大。

2.2.5" 不同作物產量預測模型的泛化性能比較" 跨作物模型性能比較結果（表2）表明，LGBM在4種熱帶作物產量預測中均表現最優，其平均測試集R2為0.945，分別較RF（R2=0.773）、XGBoost（R2=0.563）、AdaBoost（R2=0.589）和MLR（R2=0.508）提升了22.2%、67.9%、60.6%、86.2%。

LGBM算法優勢主要體現在以下幾個方面：其一，基于直方圖的特征分箱技術提升了對離散化特征的處理能力，有效減少了小樣本信息損失（如橡膠預測誤差低至0.08 t/hm2）；其二，leaf-wise的樹生長策略結合深度限制機制，實現了模型復雜度與樣本規模的動態匹配（如香蕉模型的訓練集與測試集的R2差值僅0.007），增強了泛化能力；其三，特征并行計算機制顯著提升了高維氣象數據下的訓練效率，相較RF模型耗時減少42%。相比之下，RF模型雖具備較好的泛化穩定性（平均R2為0.773），但其等寬分裂機制在建模復雜的非線性閾值響應關系時存在局限性。XGBoost與AdaBoost等Boosting算法在小樣本條件下訓練穩定性較差，訓練集與測試集之間的R2平均差值達到0.44，反映出明顯的泛化性能不足。研究結果表明，LGBM算法在氣象因子維度高、樣本規模有限的熱帶作物產量預測中具有顯著優勢，為農業氣象建模提供科學依據。

3" 討論

本研究在熱帶作物產量預測中系統比較了多種機器學習算法，結果顯示LGBM模型在所有作物中均表現最優，測試集平均R2高達0.945，顯著優于RF、XGBoost、AdaBoost和MLR等方法。與已有研究相比，如張海洋等[28]利用BSO-SVR模型預測香蕉產量（測試集R2約為0.785），或以RF模型對芒果產量進行建模（測試集R2約為0.83）[29]，本研究在香蕉和芒果上的預測精度分別提升了20.4%和13.9%，說明LGBM在應對熱帶小樣本、高維氣象輸入的情境下更具優勢。此外，對比其他熱帶作物（如甘蔗）的產量建模中，LGBM均取得測試R2超過0.945的性能，遠高于文獻中常見的0.71～0.85區間[30-31]。本研究采用的特征分箱、leaf-wise樹生長策略和特征并行機制有效提升了建模效率與精度，尤其在氣象變量復雜、非線性關系顯著的熱帶作物中展現出強大的適應能力與泛化性能。

通過XGBoost+SHAP方法對模型進行解釋性分析發現，不同作物對氣象因子的響應具有明顯差異性，這與其生物學特性及生態適應策略密切相關[32]。橡膠產量受光照與氣溫控制較大，表現出典型的光熱驅動型特征；芒果對高溫和飽和水汽壓差極為敏感，可能受其花期及幼果期脆弱性的影響；菠蘿對土壤濕度和降水依賴顯著，反映出其淺根系對水分供給的敏感性；而香蕉則對空氣濕度和土壤水分高度依賴，符合其高蒸騰需求和對濕潤環境的適應特征[33]。SHAP方法不僅揭示了變量的全局重要性，還展示了閾值響應的非線性結構，為進一步理解作物氣候敏感機制提供科學依據[34]。

結合主要氣象驅動因子的響應特征，本研究提出了差異化的農藝管理建議。橡膠產量受光照與氣溫影響顯著，建議通過優化種植密度與行向提升冠層光能利用效率，并加強林下覆蓋管理以緩解高溫脅迫，穩定根際微氣候。芒果在花期及幼果期對高溫高度敏感，建議采用滴灌、遮陰等精準調控手段，結合整形修剪改善冠層通風，降低熱干脅迫風險。菠蘿因淺根性特征對土壤水分依賴性強，建議在關鍵生育期前實施覆蓋保水或施用保水劑，同時合理安排種植時間以規避干旱風險。香蕉則對空氣濕度與土壤水分高度敏感，適宜采取高頻低量灌溉模式，并輔以地表覆蓋與風障布設以維持適宜微環境，栽培區應優先布局于濕潤生態區域。上述差異化管理措施針對作物對氣候因子的響應特性，體現了以氣候適應為導向的精準農業理念，有助于提升熱帶作物產量的穩定性與氣候風險的抵御能力。

盡管本研究在模型精度與解釋性能方面取得了良好結果，但仍存在一定局限。其一，變量選擇仍主要聚焦于氣象因子，未納入土壤類型、地形地貌、栽培品種及管理措施等非氣象驅動因子，可能限制了模型在復雜農田系統中的泛化能力。其二，受數據獲取周期與區域覆蓋限制，樣本容量仍顯不足，模型穩定性及跨區域適用性仍有待驗證。其三，當前采用單一建模框架，未充分利用多模型集成的潛力以提升預測穩健性與適應性。

4" 結論

本研究以海南省4種典型熱帶作物（天然橡膠、芒果、菠蘿、香蕉）為對象，構建并比較了多種機器學習模型，對產量預測性能與氣象驅動機制進行了系統評估，并基于SHAP方法實現了模型的可解釋性分析。主要結論如下：

（1）LGBM模型在所有作物中均表現最佳，測試集平均R2達0.945，顯著優于RF、XGBoost、AdaBoost及MLR方法。其優越性能源于高效的特征處理策略、leaf-wise建樹機制以及對高維非線性輸入的強適應性，特別適用于小樣本、高復雜度的熱帶作物建模場景。

（2）不同作物對氣象因子的響應存在顯著差異，體現出各自特有的生物學特性與生態適應策略。橡膠產量主要受光照和氣溫驅動，芒果對高溫和飽和水汽壓差高度敏感，菠蘿依賴土壤濕度與降水條件，而香蕉對空氣濕度與水分供給反應強烈。SHAP分析揭示了氣象因子的非線性閾值效應，為理解氣候-作物產量耦合機制提供了量化依據。

（3）基于主要驅動因子的響應特征，提出了作物差異化的農藝管理建議。橡膠栽培應優化光熱資源利用與高溫調控，芒果種植應重視花果期的干熱脅迫防控，菠蘿生產應保障土壤水分供給，香蕉管理則應采用高頻低量灌溉模式。上述策略有助于提升作物對氣候波動的適應能力，促進產量穩產與風險防控。

參考文獻

[1]" " " "農業農村部辦公廳. 熱帶作物種質資源保護與利用工作方案（2021—2025年）[R/OL]. （2021-04-06）[2025-03-20]. https：//www.gov.cn/zhengce/zhengceku/2021-04/09/content_5598682.htm.Ministry of Agriculture and Rural Affairs of the People’s Republic of China. Work Plan for the Protection and Utilization of Tropical Crop Germplasm Resources （2021—2025） [R/OL]. （2021-04-06）[2025-03-20]. https：//www.gov.cn/zh-engce/zhengceku/2021-04/09/content_5598682.htm. （inChinese）

[2]" " " "陳小敏， 鄒海平， 張京紅， 劉少軍， 蔡大鑫. 海南農業氣候資源與主要作物區劃[M]. 北京： 氣象出版社， 2020.CHEN X M， ZOU H P， ZHANG J H， LIU S J， CAI D X. Hainan agricultural climate resources and main crop zoning[M]. Beijing： Meteorological Press， 2020. （in Chinese）

[3]" " " "陳小敏， 李偉光， 梁彩紅， 白蕤， 吳慧. 海南島主要農業氣象災害特征及防御措施分析[J]. 熱帶生物學報， 2022， 13（4）： 416-421.CHEN X M， LI W G， LIANG C H， BAI R， WU H. Analysis of the characteristics of major agricultural meteorological disasters and defense measures in Hainan island[J]. Journal of Tropical Biology， 2022， 13（4）： 416-421. （in Chinese）

LI M Y， ZHAO J， YANG X G. Building a new machine learning-based model to estimate county-level climatic yield variation for maize in Northeast China[J]. Computers and Electronics in Agriculture， 2021， 191： 106557.

BAILEY-SERRES J， PARKER J E， AINSWORTH E A， OLDROYD G E A， SCHROEDER J I. Genetic strategies for improving crop yields[J]. Nature， 2019， 575（7781）： 109-118.

MINOLI S， J?GERMEYR J， ASSENG S A C. Global crop yields can be lifted by timely adaptation of growing periods to climate change[J]. Nature Communications， 2022， 13（1）： 7079.

WANG C Z， WANG X H， SANG Y X， MüLLER C， HUANG Y， LAURENT L， COOKE D， ZHAO Q B， ZHANG L L， LU Y H， ZHOU F， LIU H Y， TAO F L， LIN T， PIAO S L. Oscillation-induced yield loss in China partially driven by migratory pests from mainland Southeast Asia[J/OL]. Nature Food， 2025， （2025-03-11）[2025-03-20]. https：//doi.org/10.1038/s43016-025-01158-3.

SATPATHI A， CHAND N， SETIYA P， RANJAN R， NAIN A S， VISHWAKARMA D K， SALEEM A L， OBAIDULLAH A J， YADAV K K， KISI O. Evaluating statistical and machine learning techniques for sugarcane yield forecasting in the tarai region of north India[J]. Computers and Electronics in Agriculture， 2025， 229： 109667.

TRENIN C， AMPATZIDIS Y， LACERDA C， SHIRA-TSUCHI L. Tree crop yield estimation and prediction using remote sensing and machine learning： a systematic review[J]. Smart Agricultural Technology， 2024， 9： 100556.

DE CLERCQ D， MAHDI A. Modern computational approaches for rice yield prediction： a systematic review of statistical and machine learning-based methods[J]. Computers and Electronics in Agriculture， 2025， 231： 109852.

HASEED M， TAHI Z， MAHMOOD S A， TARIQ A. Winter wheat yield prediction using linear and nonlinear machine learning algorithms based on climatological and remote sensing data[J/OL]. Information Processing in Agriculture， 2025， （2025-02-27）[2025-03-20]. DOI：10.1016/j.inpa.2025. 02.004.

LI Y C， ZENG H W， ZHANG M， WU B F， ZHAO Y， YAO X， CHENG T， QIN X L， WU F M. A county-level soybean yield prediction framework coupled with XGBoost and multidimensional feature engineering[J]. International Journal of Applied Earth Observation and Geoinformation， 2023， 118： 103269.

[13]" " BENTéJAC C， CS?RG? A， MARTíNEZ-MU?OZ G. A comparative analysis of gradient boosting algorithms[J]. Artificial Intelligence Review， 2021， 54： 1937-1967.

[14]" " 陳曉玲， 張聰， 黃曉宇. 基于Bayesian-LightGBM模型的糧食產量預測研究[J]. 中國農機化學報， 2024， 45（6）： 163-169.CHEN X L， ZHANG C， HUANG X Y. Research on grain yield prediction based on Bayesian-LightGBM model[J]. Journal of Chinese Agricultural Mechanization， 2024， 45（6）： 163-169. （in Chinese）

[15]" " 王鵬新， 王穎， 田惠仁， 王婕， 劉峻明， 權文婷. 基于LightGBM的冬小麥產量估測與可解釋性研究[J]. 農業機械學報， 2023， 54（12）： 197-206.WANG P X， WANG Y， TIAN H R， WANG J， LIU J M， QUAN W T. Interpretability on yield estimation of winter wheat based on LightGBM[J]. Transactions of the Chinese Society of Agricultural Machinery， 2023， 54（12）： 197-206. （in Chinese）

[16]" " 劉文豐， 白亞瑋， 杜太生， 李夢學， YANG H， 陳世超， 梁傳彬， 康紹忠. 區域尺度作物生長及伴生過程模型研究進展[J]. 中國科學： 地球科學， 2025， 55（3）： 669-685.LIU W F， BAI Y W， DU T S， LI M X， YANG H， CHEN S C， LIANG C B， KANG S Z. Advances in regional-scale crop growth and associated process modeling[J]. Scientia Sinica （Terrae）， 2025， 55（3）： 669-685. （in Chinese）

[17]" " 徐寧， 李發東， 張秋英， 艾治頻， 冷佩芳， 舒旺， 田超， 李兆， 陳剛， 喬云峰. 基于機器學習和未來氣候變化模式的埃塞俄比亞糧食產量預測[J]. 中國生態農業學報（中英文）， 2024， 32（3）： 490-506.XU N， LI F D， ZHANG Q Y， AI Z P， LENG P F， SHU W， TIAN C， LI Z， CHEN G， QIAO Y F. Crop yield prediction in Ethiopia based on machine learning under future climate scenarios[J]. Chinese Journal of Eco-Agriculture， 2024， 32（3）： 490-506. （in Chinese）

[18]" " QIN L J， ZHU L Y， LIU B Y， LI Z X， TIAN Y G， MITCHELL G， SHEN S F， XU W， CHEN J G. Global expansion of tropical cyclone precipitation footprint[J]. Nature Communications， 2024， 15（1）： 4824.

[19]" " 吳立峰， 徐文浩， 裴青寶. 基于無人機影像與機器學習的柑橘產量估測研究[J]. 農業機械學報， 2024， 55（12）： 294- 305.WU L F， XU W H， PEI Q B. Citrus yield estimation by integrating UAV imagery and machine learning[J]. Transactions of the Chinese Society for Agricultural Machinery， 2024， 55（12）： 294-305. （in Chinese）

[20]" " 魏永康， 楊天聰， 丁信堯， 高越之， 袁鑫茹， 賀利， 王永華， 段劍釗， 馮偉. 基于不同空間分辨率無人機多光譜遙感影像的小麥倒伏區域識別方法[J]. 智慧農業（中英文）， 2023， 5（2）： 56-67.WEI Y K， YANG T C， DING X Y， GAO Y Z， YUAN X R， HE L， WANG Y H， DUAN J Z， FENG W. Wheat lodging area recognition method based on different resolution UAV multispectral remote sensing images[J]. Smart Agriculture， 2023， 5（2）： 56-67. （in Chinese）

[21]" " ZHANG H， LUO M， ZHAN W F， ZHAO Y Q， YANG Y J， GE E J， NING G C， CONG J. HiMIC-Monthly： a 1 km high-resolution atmospheric moisture index collection over China， 2003—2020[J]. Scientific Data， 2024， 11： 425.

[22]" " 彭守璋. 中國1 km逐月潛在蒸散發數據集（1990—2020）[DS]. 北京： 國家青藏高原科學數據中心， 2020.PENG S Z. China’s 1 km monthly potential evapotranspiration data set （1990—2020）[DS]. Beijing： National Tibetan Plateau Data Center / Third Pole Environment Data Center， 2020. （in Chinese）

[23]" " 上官微， 李清亮， 石高松. 基于站點觀測的中國1 km土壤濕度日尺度數據集（2000—2022）[DS]. 北京： 國家青藏高原數據中心， 2022.SHANGGUAN W， LI Q L， SHI G S. A 1 km soil moisture daily scale dataset based on site observations in China （2000— 2022）[DS]. Beijing： National Tibetan Plateau Data Center/ Third Pole Environment Data Center， 2022. （in Chinese）

[24]" " 佟金鶴， 張衛紅， 劉少軍， 甘業星. 海南島天然橡膠產量和氣候適宜度相關性研究[J]. 生態科學， 2024， 43（1）： 154- 159.TONG J H， ZHANG W H， LIU S J， GAN Y X. Correlation between natural rubber yield and climate suitability in Hainan island[J]. Ecological Science， 2024， 43（1）： 154-159. （in Chinese）

[25]" " 韋金海， 陸英， 盧小丹， 姚學民， 張勇， 何宏， 匡昭敏. 氣候變暖下百色芒果氣象災害演變特征及適應對策[J]. 熱帶農業科學， 2019， 39（9）： 101-106.WEl J H， LU Y， LU X D， YAO X M， ZHANG Y， HE H， KUANG Z M. Evolution of meteorological disasters and their countermeasures for mango in Baise under the global warming[J]. Chinese Journal of Tropical Agriculture， 2019， 39（9）： 101-106. （in Chinese）

[26]" " 劉思汝， 馬海洋， 劉亞男， 冼皚敏， 徐明崗， 石偉琦. 旱季灌水對金菠蘿產量、品質及糖酸積累的影響[J]. 熱帶作物學報， 2022， 43（6）： 1174-1182.LIU S R， MA H Y， LIU Y N， XIAN A M， XU M G， SHI W Q. Effect of irrigation on yield， quality and sugar and acid accumulation of MD-2 pineapple in dry season[J]. Chinese Journal of Tropical Crops， 2022， 43（6）： 1174-1182. （in Chinese）

[27]" " 胡鈞銘， 黃忠華， 羅維鋼， 李婷婷， 蒙炎成， 黃太慶， 廖婷， 俞月鳳. 蕉肥間作下微噴灌對蕉園土壤水氮動態及香蕉產量的影響[J]. 廣西植物， 2018， 38（6）： 710-718.HU J M， HUANG Z H， LUO W G， LI T T， MENG Y C. HUANG T Q. LIAO T， YU Y F. Effects of micro-sprinkler irrigation on soil water and nitrogen and yield under banana-mung bean intercropping[J]. Guihaia， 2018， 38（6）： 710- 718. （in Chinese）

[28]" " 張海洋， 張瑤， 李民贊， 李修華， 王俊， 田澤眾. 基于BSO-SVR的香蕉遙感時序估產模型研究[J]. 農業機械學報， 2021， 52（增刊1）： 98-107.ZHANG H Y， ZHANG Y， LI M Z， LI X H， WANG J， TIAN Z Z. BSO-SVR-based remote sensing time-series yield estimation model for banana[J]. Transactions of the Chinese Society of Agricultural Machinery， 2021， 52（Suppl. 1）： 98-107. （in Chinese）

[29]" " FUKUDA S， SPREER W， YASUNAGA E， YUGE K， SARDSUD V， MULLER J. Random forests modelling for the estimation of mango （Mangifera indica L. cv. Chok Anan） fruit yields under different irrigation regimes[J]. Agricultural Water Management， 2013， 116： 142-150.

[30]" " 石杰鋒， 黃為， 范協洋， 李修華， 盧陽旭， 蔣柱輝， 王澤平， 羅維， 張木清. 基于多種機器學習算法預測廣西蔗區甘蔗產量[J]. 智慧農業（中英文）， 2023， 5（2）： 82-92.SHI J F， HUANG W， FAN X Y， LI X H， LU Y X， JIANG Z H， WANG Z P， LUO W， ZHANG M Q. Yield prediction models in Guangxi sugarcane planting regions based on machine learning methods[J]. Smart Agriculture， 2023， 5（2）： 82-92. （in Chinese）

[31]" " 羅維， 李修華， 覃火娟， 張木清， 王澤平， 蔣柱輝. 基于多源衛星遙感影像的廣西中南部地區甘蔗識別及產量預測[J]. 自然資源遙感， 2024， 36（3）： 248-258.LUO W， LI X H， QIN H J， ZHANG M Q， WANG Z P， JIANG Z H. Identification and yield prediction of sugarcane in the south-central part of Guangxi Zhuang Autonomous Region， China based on multi-source satellite-based remote sensing images[J]. Remote Sensing for Natural Resource， 2024， 36（3）： 248-258. （in Chinese）

[32]" " REZAEI E E， WEBBER H， ASSENG S， BOOTE K， DURAND J L， EWERT F， MARTRE P， MACCARTHY D S. Climate change impacts on crop yields[J]. Nature Reviews Earth amp; Environment， 2023， 4（12）： 831-846.

[33]" " 周艷飛， 楊福孫. 熱帶作物栽培概論[M]. 北京： 中國林業出版社， 2021.ZHOU Y F， YANG F S. Introduction to Tropical Crop Cultivation[M]. Beijing： China Forestry Publishing House， 2021. （in Chinese）

[34]" " ABRAMOFF R Z， CIAIS P， ZHU P， HASEGAWA T， WAKATSUKI H， MAKOWKI D. Adaptation strategies strongly reduce the future impacts of climate change on simulated crop yields[J]. Earth’s Future， 2023， 11（4）： e2022EF 003190.